В статье представлена инновационная двухуровневая стохастико-адаптивная модель управления эксплуатационными рисками, предназначенная для крупных распределенных инфраструктурных сетей. Исследование решает проблему неспособности традиционных детерминированных моделей адекватно оценивать «хвостовые» риски в условиях высокой неопределенности энергопотребления, отказов оборудования и логистических сбоев. Предлагаемая методология объединяет стратегическое планирование и тактическую онлайн-адаптацию. На верхнем уровне используется двухэтапное стохастическое программирование для формирования робастных планов обслуживания и резервирования мощностей, учитывающих вероятностный характер угроз. Интеллектуальная кластеризация объектов с помощью самоорганизующихся карт Кохонена позволяет разделить сеть на четыре категории: критические, высокого риска, логистически уязвимые и стабильные. На нижнем уровне агенты с обучением с подкреплением (алгоритмы PPO и DQN) адаптируют эксплуатационные решения в реальном времени, используя кастомизированные функции вознаграждения для каждого кластера. Экспериментальные результаты подтверждают эффективность подхода: для критических объектов доля простоев снижена до 2 %, а для стабильных достигнута максимальная экономия ресурсов. Внедрение модели позволяет снизить эксплуатационные затраты на 10–15 % и повысить надежность критической инфраструктуры на 20–30 %. Модель обеспечивает прозрачность управления через четкие KPI и способствует реализации стратегии устойчивого развития.
The article presents an innovative two-level stochastic-adaptive operational risk management model designed for large distributed infrastructure networks. The study solves the problem of the inability of traditional deterministic models to adequately assess the "tail" risks in conditions of high uncertainty of energy consumption, equipment failures and logistical failures. The proposed methodology combines strategic planning and tactical online adaptation. At the top level, two-stage stochastic programming is used to generate robust maintenance and capacity redundancy plans that take into account the probabilistic nature of threats. Intelligent clustering of objects using self-organizing Kohonen maps allows you to divide the network into four categories: critical, high-risk, logistically vulnerable and stable. At the lower level, reinforcement learning agents (PPO and DQN algorithms) adapt operational solutions in real time using customized reward functions for each cluster. Experimental results confirm the effectiveness of the approach: for critical facilities, the share of downtime has been reduced to 2 %, and for stable facilities, maximum resource savings have been achieved. The implementation of the model makes it possible to reduce operating costs by 10–15% and increase the reliability of critical infrastructure by 20–30%. The model ensures transparency of management through clear KPIs and contributes to the implementation of a sustainable development strategy.
The authors declare that there are no conflicts of interest present.